目标检测详细概括

目标检测

（1）概念：

检测图片中所有物体的类别标签==（Category label）和位置(最小外接矩形/Bounding box)==

（2）与其他任务的区别：

单例任务：分类、分类&定位
多例任务：物体检测、实例分割（最难，要确定像素属于哪类）

（3）相关著名比赛

ImageNet Large Scale Visual Recongnition Challenge
这个比赛的项目包括：

1. 图像分类
2. 物体检测
3. 场景分类
4. 物体定位
5. 场景解析

（4） 目标检测模型进化史

目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：

• （1）two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这类算法的典型代表是基于region proposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等；
• （2）one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO和SSD。

目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进。

以上，就是关于目标检测的有关内容，以上模型的具体介绍放在了我的下一篇博客中，参考课程是叶梓老师的《深度学习之分类与目标检测》。